课程深入浅出，覆盖CV/NLP等热门领域，被誉“新手友好度TOP1的硬核教程”，解锁你的AI工程师之路！

梗直哥精心研发的这门《深度学习必修课》有下面几个特点：

1. 生动有趣

讲人话是梗直哥课程的一贯作风，梗直就是要有梗有趣。我始终认为学习本身已经是逆人性的，如果形式不活泼，语言不接地气，学着也难受。市面上的深度学习课程往往比较枯燥，对大多数数学基础不是那么好的同学来说学起来常常十分痛苦，如听天书一般。满篇的数学公式让人望而生畏。其实很多时候不是你的理解力有问题，而是教材本身有问题。尤其是深度学习的书，很多都是直接拿翻译工具翻译的。写书的人照本宣科，人云亦云，习惯性的抄来抄去。但其内容可能连写书的人自己都没有充分理解。这样的东西你学起来不痛苦才怪了！咱们这门课与众不同之处就在于，会以过来人的视角娓娓道来，用大量生活中浅显易懂的例子帮助你深入浅出的理解算法背后的思想，即使面对复杂的数学公式，繁琐的网络结构，也能获得顿悟的奇妙感受。

2. 系统全面

本门课程涵盖了深度学习技术的各个方面，包括人工神经网络的原理，深度学习的常用算法，以及如何使用深度学习技术解决各种实际问题。这使得学习者能够全面地掌握深度学习技术，并在实际应用中灵活运用。整个课程根据不同学习者的需要，分成基础理论，动手实践，深入讨论，专题课程，案例讲解，进阶学习等多方面内容。分别适合零基础的初学者，有一定预备知识渴望能动手实践的同学，以及有相当基础希望能系统性学习并就专题问题答疑解惑的专业人士。

3. 脑图清晰

大量思维导图的使用能够帮助你将深度学习种类繁多的概念和庞杂的知识组织得更清晰。让你能更加深刻理解各个概念之间的关系，帮你更好地记忆知识点间的内在联系。研究表明，人脑对图像的记忆效果要比对文字的记忆效果好得多，所以通过使用大量思维导图讲述深度学习，可以让你在学习的过程中更好地记住所学的知识。

5. 进阶深入

考虑到社区内也有不少同学渴望更加深入和严谨系统学习更深层次的知识。为此，我们针对不同水平的学习者提供了不同的课程内容。该课程的更进阶部分，将更有针对性的帮助学习者掌握更高级的深度学习技术和方法。具体来说，包括但不限于以下几个方面：

• 各类高级神经网络：包括卷积神经网络（CNN），循环神经网络（RNN）的各种变体，以及其他类型的高级神经网络。这些神经网络可以处理更复杂的数据，并在解决特定问题时有更好的效果。
• 自然语言处理相关算法：例如，文本分类，机器翻译等相关的各种技术和模型。
• 计算机视觉专业算法：例如，图像分类、目标检测、人脸识别等领域的专题研讨。
• 模型调优：深度学习模型的调优是指通过调整模型的参数来优化模型的性能。这是深度学习课程中非常重要的一个部分，因为调优可以帮助提高模型的精度，并且可以更好地应用于实际问题。
• 丰富多样的应用案例：进阶内容还可以包括许多具体的应用案例，例如视频识别，智能机器人等。这些案例可以帮助学习者更好地理解深度学习的实际应用，并学习如何解决这些问题。

课程目录：

B站 - 深度学习必修课：进击AI算法工程师【梗直哥瞿炜】
001.1-1 课程内容和理念.mp4
002.1-2 初识深度学习.mp4
003.1-3 课程使用的技术栈.mp4
004.2-1 线性代数.mp4
005.2-2 微积分.mp4
006.2-3 概率.mp4
007.3-1 CUDA+Anaconda深度学习环境搭建.mp4
008.3-2 conda实用命令.mp4
009.3-3 Jupyter Notebook快速上手.mp4
010.3-4 深度学习库PyTorch安装.mp4
011.4-1 神经网络原理.mp4
012.4-2 多层感知机.mp4
013.4-3 前向传播和反向传播.mp4
014.4-4 多层感知机代码实现.mp4
015.4-5 回归问题.mp4
016.4-6 线性回归代码实现.mp4
017.4-7 分类问题.mp4
018.4-8 多分类问题代码实现.mp4
019.5-1 训练的常见问题.mp4
020.5-2 过拟合欠拟合应对策略.mp4
021.5-3 过拟合和欠拟合示例.mp4
022.5-4 正则化.mp4
023.5-5 Dropout.mp4
024.5-6 Dropout代码实现.mp4
025.5-7 梯度消失和梯度爆炸.mp4
026.5-8 模型文件的读写.mp4
027.6-1 最优化与深度学习.mp4
028.6-2 损失函数.mp4
029.6-3 损失函数性质.mp4
030.6-4 梯度下降.mp4
031.6-5 随机梯度下降法.mp4
032.6-6 小批量梯度下降法.mp4
033.6-7 动量法.mp4
034.6-8 AdaGrad算法.mp4
035.6-9 RMSProp_Adadelta算法.mp4
036.6-10 Adam算法.mp4
037.6-11 梯度下降代码实现.mp4
038.6-12 学习率调节器.mp4
039.7-1 全连接层问题.mp4
040.7-2 图像卷积.mp4
041.7-3 卷积层.mp4
042.7-4 卷积层常见操作.mp4
043.7-5 池化层Pooling.mp4
044.7-6 卷积神经网络代码实现（LeNet）.mp4
045.8-1 AlexNet.mp4
046.8-2 VGGNet.mp4
047.8-3 批量规范化.mp4
048.8-4 GoogLeNet.mp4
049.8-5 ResNet.mp4
050.8-6 DenseNet.mp4
051.9-1 序列建模.mp4
052.9-2 文本数据预处理.mp4
053.9-3 循环神经网络.mp4
054.9-4 随时间反向传播算法.mp4
055.9-5 循环神经网络代码实现.mp4
056.9-6 RNN的长期依赖问题.mp4
057.10-1 深度循环神经网络.mp4
058.10-2 双向循环神经网络.mp4
059.10-3 门控循环单元.mp4
060.10-4 长短期记忆网络.mp4
061.10-5 复杂循环神经网络代码实现.mp4
062.10-6 编码器-解码器网络.mp4
063.10-7 序列到序列模型代码实现.mp4
064.10-8 束搜索算法.mp4
065.10-9 机器翻译简单代码实现.mp4
066.11-1 什么是注意力机制.mp4
067.11-2 注意力的计算.mp4
068.11-3 键值对注意力和多头注意力.mp4
069.11-4 自注意力机制.mp4
070.11-5 注意力池化及代码实现.mp4
071.11-6 Transformer模型.mp4
072.11-7 Transformer代码实现.mp4
073.12-1BERT模型.mp4
074.12-2 GPT系列模型.mp4
075.12-3 T5模型.mp4
076.12-4 ViT模型.mp4
077.12-5 Swin Transformer模型.mp4
078.12-6 GPT模型代码实现.mp4
079.13-1 蒙特卡洛方法.mp4
080.13-2 变分推断.mp4
081.13-3 变分自编码器.mp4
082.13-4 生成对抗网络.mp4
083.13-5 Diffusion扩散模型.mp4
084.13-6 图像生成.mp4
085.14-1 自定义数据加载.mp4
086.14-2 图像数据增强.mp4
087.14-3 迁移学习.mp4
088.14-4 经典视觉数据集.mp4
089.14-5 项目实战：猫狗大战.mp4
090.15-1 词嵌入和word2vec.mp4
091.15-2 词义搜索和句意表示.mp4
092.15-3 预训练模型.mp4
093.15-4 Hugging Face库介绍.mp4
094.15-5 经典NLP数据集.mp4
095.15-6 项目实战：电影评论情感分析.mp4
096.16-1 InstructGPT模型.mp4
097.16-2 CLIP模型.mp4
098.16-3 DALL-E模型.mp4
099.16-4 深度学习最新发展趋势分析.mp4
100.16-5 下一步学习的建议.mp4